論文の概要: BEVMAPMATCH: Multimodal BEV Neural Map Matching for Robust Re-Localization of Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2603.25963v1
- Date: Thu, 26 Mar 2026 23:08:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-30 21:49:48.310158
- Title: BEVMAPMATCH: Multimodal BEV Neural Map Matching for Robust Re-Localization of Autonomous Vehicles
- Title（参考訳）: BEVMAPMATCH: 自律走行車のロバスト再ローカライズのためのマルチモーダルなBEVニューラルマップマッチング
- Abstract要約: 本稿では,BEVMapMatchを提案する。
私たちのコードとデータはhttps://github.com/ssuralcmu/BEVMapMatch.git.comで公開されます。
- 参考スコア（独自算出の注目度）: 1.160208922584163
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Localization in GNSS-denied and GNSS-degraded environments is a challenge for the safe widespread deployment of autonomous vehicles. Such GNSS-challenged environments require alternative methods for robust localization. In this work, we propose BEVMapMatch, a framework for robust vehicle re-localization on a known map without the need for GNSS priors. BEVMapMatch uses a context-aware lidar+camera fusion method to generate multimodal Bird's Eye View (BEV) segmentations around the ego vehicle in both good and adverse weather conditions. Leveraging a search mechanism based on cross-attention, the generated BEV segmentation maps are then used for the retrieval of candidate map patches for map-matching purposes. Finally, BEVMapMatch uses the top retrieved candidate for finer alignment against the generated BEV segmentation, achieving accurate global localization without the need for GNSS. Multiple frames of generated BEV segmentation further improve localization accuracy. Extensive evaluations show that BEVMapMatch outperforms existing methods for re-localization in GNSS-denied and adverse environments, with a Recall@1m of 39.8%, being nearly twice as much as the best performing re-localization baseline. Our code and data will be made available at https://github.com/ssuralcmu/BEVMapMatch.git.
- Abstract（参考訳）: GNSSおよびGNSSの劣化した環境におけるローカライゼーションは、自動運転車の安全な展開にとっての課題である。
このような GNSS 対応環境は、ロバストなローカライゼーションのための代替手法を必要とする。
本研究では,GNSS前処理を必要とせずに,既知の地図上にロバストな車両再配置を行うフレームワークであるBEVMapMatchを提案する。
BEVMapMatchは、コンテクストを意識したLidar+camera融合法を用いて、良質な気象条件と悪質な天候条件の両方で、エゴ車両の周囲のマルチモーダルバードアイビュー(BEV)セグメンテーションを生成する。
クロスアテンションに基づく検索機構を利用して、生成されたBEVセグメンテーションマップを使用して、マップマッチング目的の候補マップパッチの検索を行う。
最後に、BEVMapMatchは、生成したBEVセグメンテーションに対してより詳細なアライメントのために検索された上位候補を使用し、GNSSを必要とせずに正確なグローバルローカライゼーションを実現する。
生成されたBEVセグメンテーションの複数のフレームは、さらにローカライズ精度を向上させる。
大規模な評価によると、BEVMapMatchは、GNSSが定義した悪環境における再ローカライゼーションの方法よりも、39.8%のRecall@1mが優れており、最も優れた再ローカライゼーションベースラインの2倍近い。
私たちのコードとデータはhttps://github.com/ssuralcmu/BEVMapMatch.git.comで公開されます。
関連論文リスト
- Region Matters: Efficient and Reliable Region-Aware Visual Place Recognition [46.97190804063947]
本稿では,ロバストな識別領域モデリングと適応的再ランク付けを組み合わせたFoL++を提案する。
FoL++は、軽量なメモリフットプリントで最先端のパフォーマンスを実現し、FoLよりも推論速度を40%向上させる。
論文 参考訳（メタデータ） (2026-04-24T09:28:35Z) - OptiMVMap: Offline Vectorized Map Construction via Optimal Multi-vehicle Perspectives [111.69010751405368]
オフラインベクトル化マップは、高精度の自動運転およびマッピングサービスの重要な基盤となっている。
既存のアプローチは、基本的に視点の不十分さに苦しむ1つのエゴ車軌道に大きく依存している。
本稿では,これらの課題に体系的に対処するために,多車種対応マップを選択型ヒューズ問題として再構成するOptiMVMapを提案する。
論文 参考訳（メタデータ） (2026-04-18T20:23:27Z) - Beyond Matching to Tiles: Bridging Unaligned Aerial and Satellite Views for Vision-Only UAV Navigation [51.286599397552756]
本稿では,UAVの絶対位置と近距離からの進路を共同で予測する視覚駆動型クロスビューナビゲーション手法であるBering-UAVを提案する。
我々はまた、クロスビューのローカライゼーションとナビゲーションを評価するベンチマークである Bearing-UAV-90k も提示する。
論文 参考訳（メタデータ） (2026-03-23T16:17:39Z) - B$^2$F-Map: Crowd-sourced Mapping with Bayesian B-spline Fusion [9.192183071584381]
クラウドソースマッピングは,従来の調査車両を使用したマップ作成に代わる,スケーラブルな代替手段を提供する。
本稿では,単眼カメラ,コンシューマグレード,IMUのみを搭載した生産車を用いた,HDマップ生成のための完全なパイプラインを提案する。
論文 参考訳（メタデータ） (2026-03-02T10:01:00Z) - VQ-Map: Bird's-Eye-View Map Layout Estimation in Tokenized Discrete Space via Vector Quantization [108.68014173017583]
Bird's-eye-view (BEV) マップのレイアウト推定には、エゴ車の周囲の環境要素のセマンティクスを正確に完全に理解する必要がある。
本稿では,Vector Quantized-Variational AutoEncoder (VQ-VAE) に似た生成モデルを用いて,トークン化された離散空間における高レベルのBEVセマンティクスの事前知識を取得することを提案する。
得られたBEVトークンには,異なるBEV要素のセマンティクスを包含したコードブックが組み込まれているため,スパースバックボーン画像特徴と得られたBEVトークンとを直接一致させることができる。
論文 参考訳（メタデータ） (2024-11-03T16:09:47Z) - BEVLoc: Cross-View Localization and Matching via Birds-Eye-View Synthesis [22.69620338108094]
オフロード環境において,鳥眼ビュー (BEV) のシーン表現を合成し,航空地図とのマッチングとローカライズを行うための新しい枠組みを提案する。
我々は,合成されたBEVと航空地図の類似表現を学習するために,ドメイン固有の負のマイニングによる対照的な学習を活用してネットワークを訓練する。
本研究は,極難林環境における有望な初期成果を示すものである。
論文 参考訳（メタデータ） (2024-10-08T22:45:53Z) - U-BEV: Height-aware Bird's-Eye-View Segmentation and Neural Map-based Relocalization [81.76044207714637]
GPS受信が不十分な場合やセンサベースのローカライゼーションが失敗する場合、インテリジェントな車両には再ローカライゼーションが不可欠である。
Bird's-Eye-View (BEV)セグメンテーションの最近の進歩は、局所的な景観の正確な推定を可能にする。
本稿では,U-NetにインスパイアされたアーキテクチャであるU-BEVについて述べる。
論文 参考訳（メタデータ） (2023-10-20T18:57:38Z) - EgoVM: Achieving Precise Ego-Localization using Lightweight Vectorized
Maps [9.450650025266379]
本稿では,従来の最先端手法に匹敵するローカライズ精度を実現するエンド・ツー・エンドのローカライズネットワークであるEgoVMを提案する。
我々は、学習可能なセマンティック埋め込みを用いて、マップ要素のセマンティックタイプを符号化し、セマンティックセマンティックセグメンテーションでそれらを監督する。
本研究では,頑健なヒストグラムに基づくポーズ解法を用いて,候補ポーズを徹底的に探索することで最適なポーズを推定する。
論文 参考訳（メタデータ） (2023-07-18T06:07:25Z) - NeMO: Neural Map Growing System for Spatiotemporal Fusion in
Bird's-Eye-View and BDD-Map Benchmark [9.430779563669908]
視覚中心のBird's-Eye View表現は自律運転システムに不可欠である。
この研究は、読みやすく、説明可能なビッグマップを利用してローカルマップを生成するための、NeMOという新しいパラダイムを概説する。
すべてのBEVグリッドの特徴分布が同じパターンに従うと仮定して、すべてのグリッドに対して共有重み付きニューラルネットワークを採用して、ビッグマップを更新する。
論文 参考訳（メタデータ） (2023-06-07T15:46:15Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。